Le potentiel de l'intelligence artificielle pour prédire les résultats cliniques chez les patients ayant contracté une lésion rénale aiguë au cours de la période périopératoire

Contact:joanna.jia@wecistanche.com/ Whatsapp : 008618081934791

Barry J. Kelly, et al

Résumé

Insuffisance rénale aiguë (IRA)est un problème médical courant chez les patients hospitalisés dans le monde entier qui peut entraîner des conséquences physiologiques, sociales et économiques négatives. Parmi les patients admis aux soins intensifs avec AKI, plus de 40 % ont subi une intervention chirurgicale élective ou d'urgence avant leur admission. Il est difficile de prédire les résultats après une AKI et la décision sur qui initier la RRT dans le but de récupérer la fonction rénale ou de prédire un avantage de survie à long terme pose toujours un défi aux médecins de soins aigus. Avec l'utilisation croissante des dossiers de santé électroniques, l'intelligence artificielle peut permettre le pronostic postopératoire de l'IRA et faciliter la prise en charge clinique. Les patients en bénéficieront si les données sont facilement accessibles et si les défis réglementaires, éthiques et humains peuvent être surmontés.

bienfaits de la cistanche du désert et dialyse

L'ampleur du problème clinique

Insuffisance rénale aiguë (IRA)est un problème médical courant chez les patients hospitalisés dans le monde entier qui peut entraîner des conséquences physiologiques, sociales et économiques négatives.Aiguun reinblessureest estimée compliquer 12 % des hospitalisations aux États-Unis, affectant directement plus de 2 millions de patients par an (Al-Jaghbeer et al., 2018). Selon le programme national d'amélioration de la qualité chirurgicale de l'American College of Surgeons, les complications causées par l'IRA surviennent dans environ 1 % de tous les cas de chirurgie générale, ce qui entraîne une multiplication par huit de la mortalité toutes causes 30-jour (Kheterpal et al., 2009). L'étude AKI-Epi a montré que 57,3 % de tous les patients en soins intensifs avaient une IRA pendant une période de 1- semaine. Parmi les patients des soins intensifs atteints d'IRA, 44 % ont subi une chirurgie élective (29 %) ou d'urgence (15 %) avant leur admission (Hoste et al., 2015). L'IRA à la suite d'une chirurgie abdominale majeure survient chez 13,4 % des patients et est associée à un risque relatif accru de 12,6- (IC à 95 %, 6,8 à 23,4) de mortalité périopératoire à court terme (O'Connor et al., 2016). L'IRA survient après 22 % (médiane) des interventions chirurgicales cardiaques, dont 3 % nécessitent une thérapie de remplacement rénal (RRT) (Vandenberghe et al., 2016).

Les patients qui subissent une AKI nécessitant une dialyse (AKID) représentent l'extrémité sévère du spectre SA-AKI. L'IRA-D est une urgence médicale aiguë qui touche jusqu'à 13 % des patients gravement malades (Hoste et al., 2015). Environ 50 % des patients atteints d'IRA-D ne survivront pas à la sortie de l'hôpital, et 7 % des survivants resteront dépendants de la dialyse au moment de la sortie de l'hôpital et au-delà (Wang et al., 2019). Même parmi ceux qui survivent et chez qui la dialyse peut être interrompue, beaucoup ont deschroniqueun reinmaladie(IRC) et la survie de 2- ans à partir du moment de la sortie de l'hôpital chez les personnes atteintes d'IRA-D est estimée à 45 – 59 % (Wonnacott et al., 2014).

La prédiction et la prévention de l'IRA pendant la période peropératoire ont été largement revues (Gumbert et al., 2020 ; Meersch et al., 2017). Cependant, l'exigence d'un patient atteint d'IRA pour la dialyse représente un déterminant catégorique important de son résultat global (Wang et al., 2019 ; Wonnacott et al., 2014). L'estimation de la probabilité de la nécessité d'une RRT et des résultats ultérieurs au moment où l'IRA est diagnostiquée représente un défi important pour les intensivistes. Cet éditorial se concentre sur l'application de l'apprentissage automatique (ML) et de l'intelligence artificielle (IA) aux mégadonnées pour prédire les résultats chez les patients qui ont déjà acquis une nouvelle AKI pendant la période périopératoire. Nous discuterons des limites des approches actuelles de pronostic après le développement de l'IRA et du rôle potentiel et des obstacles à l'utilisation du ML/AI à des fins de prédiction des résultats.

Approches actuelles du pronostic AKI et leurs limites

Il est difficile de prédire les résultats après une AKI et la décision sur qui initier la RRT dans le but de récupérer la fonction rénale ou de prédire un avantage de survie à long terme pose toujours un défi aux médecins de soins aigus. Des études observationnelles indiquent que le taux de filtration glomérulaire estimé de base (eGFR), la protéinurie, un âge plus avancé et le diabète sucré sont des facteurs clés associés à une moindre probabilité de récupération (Wonnacott et al., 2014). Une revue systématique des études tentant de prédire la mortalité après AKI a mis en évidence 10 variables communes fréquemment incluses dans les modèles de prédiction, à savoir la ventilation mécanique, l'âge, le sexe, l'hypotension, l'insuffisance hépatique, l'oligurie, la septicémie/choc septique, l'albumine sérique faible, le taux bas de conscience et un faible nombre de plaquettes (Ohnuma & Uchino, 2017). Dans une méta-analyse complète examinant les événements indésirables après l'IRA qui comprenait 82 études éligibles et 2 017 437 patients, dont 255 264 (12,7 %) ont développé une AKI, le sexe masculin, l'eGFR de base, les maladies coronariennes et le diabète étaient des modificateurs d'effet de l'association entre IRA et mortalité. Comme on pouvait s'y attendre, le risque de phase terminaleun reinmaladie (ESKD)augmentait avec la gravité accrue de l'IRA, tout comme la mortalité en USI. Les patients subissant des procédures d'angiographie et ceux atteints d'IRA de stade 3 étaient les plus exposés au risque de mortalité (See et al., 2019). Une méta-analyse récente a identifié que la durée de l'IRA était indépendamment associée à la mortalité à long terme, aux événements cardiovasculaires et au développement du stade 3 de l'IRC (Mehta et al., 2018).

Prédire les résultats chez les patients qui ont développé une nouvelle AKI dans la période périopératoire pose un défi important. Cela se reflète dans le nombre limité d'études dans ce domaine (Srisawat et al., 2011 ; Lee et al., 2019 ; Hoste et al., 2020). La prédiction des résultats primaires peut inclure la prédiction de ceux qui nécessitent une dialyse, restent dépendants de la dialyse ou se libèrent de la nécessité de la dialyse. Les critères de jugement secondaires peuvent inclure la mortalité 90-jour ou la mortalité 1- et 2-ans. Une petite étude (n=76), évaluant principalement le rôle des biomarqueurs urinaires pour pronostiquer le rétablissement, a révélé qu'un indice de comorbidité de Charlson moindre et un score d'évaluation physiologique et chronique de la santé II (APACHE-II) étaient des prédicteurs du rétablissement. Les biomarqueurs deun reinblessureexplorédans cette étude étaient la lipocaline urinaire associée à la gélatinase des neutrophiles (uNGAL), le facteur de croissance des hépatocytes urinaires (UHF), la cystatine C urinaire (cystatine C), l'IL -18 et la lipocaline/matrice métalloprotéinase associée à la gélatinase des neutrophiles {{3} } (Srisawat et al., 2011). Une autre étude (n=2 214) de patients atteints d'IRA-D dans le système de dossier de santé électronique (DSE) de Kaiser Permanente en Californie du Nord, a dérivé un modèle de prédiction utilisant l'âge, la maladie hépatique chronique, le stade CKD avant l'admission et la concentration d'hémoglobine pour prédire le probabilité de récupération de la fonction rénale (Lee et al., 2019). Récemment, une étude prospective, multinationale et observationnelle a comparé les performances prédictives de l'IRA persistante de stade 3 (KDIGO) du ligand de chimiokine à motif CC 14 (CCL14), un nouveau biomarqueur de l'IRA, avec des biomarqueurs établis. Le groupe de comparaison comprenait la cystatine C, la proenképhaline, la NGAL et la LFABP. L'ASC (0,83) pour le CCL14 urinaire était significativement plus élevée que pour tous les autres biomarqueurs. Ce nouveau biomarqueur de l'IRA pourrait être utile à intégrer dans les futurs modèles pour prédire la guérison de l'IRA (Hoste et al., 2020 ; Zarbock et al., 2018). Dans l'essai RenalRIP, le dickkopf-3 préopératoire (DKK3), un marqueur de stress tubulaire rénal, a été examiné pour son utilité dans l'identification préopératoire des patients à risque d'IRA et deun reinfonctionpertechez 733 patients en chirurgie cardiaque. Des concentrations de DKK3 à créatinine supérieures à 471 pg/mg étaient associées à un risque significativement plus élevé d'IRA (OR 1,94, IC à 95 % 1,08–3,47, p=0 0,026), d'insuffisance rénale persistante (OR 6,67, 1,67–26,61 , p=0·0072), et dépendance à la dialyse (OR 13,57, 1,50–122,77, p=0.020) après 90 jours par rapport à DKK3 à des concentrations de créatinine de 471 pg/mg ou moins (Schunk et al., 2019).

L'ASA-AKI peut résulter d'une hypovolémie, d'une vasodilatation due aux agents anesthésiques et d'une ventilation à pression positive qui peut altérer le retour veineux. D'autres facteurs associés à des taux accrus d'IRA périopératoire comprennent la chirurgie ouverte intrapéritonéale, les transfusions sanguines peropératoires, l'instabilité hémodynamique, les diurétiques peropératoires et l'utilisation de vasopresseurs (Meersch et al., 2017).

Intelligence artificielle et apprentissage automatique pour le pronostic AKI

L'intelligence artificielle (IA) a une longue histoire dans le monde de la santé. MYCIN a été l'un des tout premiers systèmes experts de traitement des infections sanguines (Shortliffe & Buchanan, 1975). Développé dans les années 1970, le système avait la capacité non seulement de faire des diagnostics mais aussi d'expliquer son raisonnement. Le système avait un niveau de compétence similaire à celui des spécialistes humains. Les systèmes experts sont encore utilisés aujourd'hui, mais ont tendance à être décrits comme des systèmes basés sur des règles ou des systèmes de règles métier, et ils sont normalement élaborés à la main en écrivant des règles explicites qui capturent des connaissances expertes spécifiques à un domaine (Zhao et al., 2010). Un avantage majeur des systèmes d'IA basés sur des règles est qu'ils peuvent facilement expliquer leur raisonnement aux utilisateurs humains et qu'ils sont faciles à corriger, mettre à jour et entretenir.

L'un des développements les plus importants de l'IA au cours des 20 dernières années a été les progrès rapides de l'apprentissage automatique et, en particulier, de l'apprentissage en profondeur (LeCun et al., 2015). Celles-ci sont devenues l'une des techniques d'IA les plus couramment utilisées dans le domaine de la santé, démontrant des niveaux de précision extraordinaires. Par exemple, une classification de niveau expert du cancer de la peau a été rapportée (Esteva et al., 2017).

Cependant, la complexité inhérente à l'IA peut représenter un obstacle pour les cliniciens pour développer une relation de confiance avec de nouveaux outils basés sur l'IA. Les méthodes d'inférence linéaires classiques telles que la régression multivariée restent très attractives pour les cliniciens. La connaissance des entrées, des sorties et de « tout ce qui se trouve entre les deux » facilite la transparence, la reproductibilité et rassure les partisans de l'opinion d'experts sur la manière dont les projections ont été réalisées. Malgré la précision des approches basées sur l'apprentissage en profondeur, le manque de capacité à expliquer leur raisonnement aux utilisateurs s'est avéré un défi pour une acceptation plus large de l'IA dans les soins de santé. Cela a conduit à la recherche d'Explicitable AI ou XAI. L'IA explicable dans laquelle une certaine visibilité est fournie aux utilisateurs du mécanisme sous-jacent à une prédiction peut être particulièrement utile pour aider les cliniciens à utiliser les résultats des outils d'IA/ML (Fellous et al., 2019). Une technique d'IA intéressante qui a été récemment appliquée à l'insuffisance rénale chronique est le raisonnement par cas (CBR) (Elkader et al., 2018 ; Tahmasebian et al., 2016 ; Vásquez-Morales et al., 2019). La RBC présente de nombreux avantages distincts dans ce contexte. Premièrement, la technique ne tente pas de généraliser à partir de l'histoire du cas. Au lieu de cela, une classification du cas actuel, ou une prédiction des résultats futurs, est faite sur la base de cas similaires qui ont été vécus dans le passé. Il s'agit d'une approche naturelle de l'application de l'expérience : la vision clinique de la situation actuelle est basée sur l'expérience historique. Par conséquent, on obtient un certain nombre de propriétés intéressantes : les diagnostics sont facilement expliqués puisque des cas similaires qui représentent la sagesse appliquée au cas actuel fournissent directement une base d'explication (Doyle et al., 2004). Le nombre de cas similaires et d'autres propriétés du voisinage du cas actuel fournit une mesure de confiance. Les cas historiques eux-mêmes fournissent une notion de compétence du système, et on peut aussi facilement évaluer si de nouvelles expériences ajoutent de la valeur au système (Smiti & Elouedi, 2014). Alors que les systèmes CBR peuvent avoir les mêmes niveaux de précision et peuvent souvent être comparables aux systèmes d'apprentissage en profondeur dans des contextes particuliers, leur transparence les rend particulièrement intéressants dans la prise de décision clinique, d'autant plus qu'ils automatisent essentiellement le raisonnement naturel des experts médicaux.

Il y a un certain nombre d'obstacles qui doivent être surmontés afin d'actualiser le plein potentiel de l'IA en tant qu'outil de pronostic. Un obstacle inhérent à la réalisation d'études longitudinales pour prédire les résultats après une AKI postopératoire établie est la perte de suivi dans la période postopératoire. Plus précisément, il y a une perte de suivi au niveau humain, à savoir le médecin périopératoire, mais aussi une perte de saisie de données dans les heures et les jours postopératoires suivants lorsqu'une lésion rénale subclinique survient. La période peropératoire devrait représenter le scénario idéal pour capturer une abondance de données granulaires qui pourraient à leur tour être utilisées, premièrement pour prédire l'IRA et d'une plus grande pertinence ici pour construire des modèles de prédiction des résultats après le diagnostic de l'IRA. Malgré l'utilisation plus répandue des systèmes de gestion de l'information sur l'anesthésie (AIMS) pour saisir les données démographiques des patients, les affections médicales chroniques, l'anesthésie et les procédures chirurgicales, les interventions pharmacologiques et les tendances physiologiques, il reste peu d'études utilisant ces données pour améliorer les soins dispensés aux patients. patients qui développent une IRA périopératoire. L'une des raisons de cette rareté de la recherche est que la norme diagnostique actuelle pour l'IRA, à savoir laUn reinMaladieAméliorerMondialRésultats(KDIGO) présente des limites dans le diagnostic de l'IRA en période périopératoire. Le débit urinaire diminue souvent pendant la période peropératoire, en raison de la libération d'aldostérone et de vasopressine associée au stress, à l'hypovolémie, voire à l'anesthésie (Hahn & Warner, 2010). Les études utilisant KDIGO omettent fréquemment la production d'urine comme critère en raison de l'incapacité de saisir avec précision les données (Churpek et al., 2020). L'utilisation d'une augmentation de la créatinine sérique comme critère de diagnostic est également problématique parce qu'une perte > 50 % de la fonction rénale est nécessaire avant qu'une augmentation résultante de la créatinine sérique ne soit observée. De plus, il y a un laps de temps estimé à environ 48 h entre l'insulte rénale et une augmentation associée de la créatinine sérique. Ce phénomène constitue une « tache aveugle » rénale (Uchino, 2010). Avec le temps, nous pourrions voir le rôle de nouveaux biomarqueurs de lésions rénales et de récupération, tels que CCL14, être intégrés dans les futures approches d'apprentissage en profondeur. Cependant, à moins que le patient ne soit dans un établissement de soins qui permet une surveillance électronique continue, de grandes quantités de points de données potentiellement utiles continueront d'être perdues.

Un autre obstacle au développement de modèles de prédiction précis est la difficulté de fusionner les données de la période périopératoire à l'USI/service chirurgical et par la suite aux patients ambulatoires en néphrologie et aux unités de dialyse chronique. La fusion des données d'un bilan préopératoire détaillé avec des données haute fidélité de la période peropératoire pour inclure l'unité de soins postopératoires permettrait à tout le moins de calculer l'incidence de l'IRA et la fréquence d'instauration d'une thérapie de remplacement rénal. Référentiels de données qui ont collecté des paramètres significatifs, y compris ceux qui progressent vers la phase finalemaladie rénale (ESKD)à 90 jours et les données sur la mortalité permettraient une analyse significative des données longitudinales. Cependant, même à l'ère des DSE généralisés, la recherche sur les résultats rénaux repose sur l'examen des dossiers par des experts dans le domaine (Wonnacott et al., 2014).

L'introduction de solutions d'IA dans un environnement clinique présente d'autres défis. Alors que la littérature a tendance à se concentrer sur l'obtention d'une précision diagnostique maximale, de nombreux autres problèmes doivent être pris en compte. Ceux-ci incluent, mais sans s'y limiter, la sensibilité (proportion de positifs correctement classés), la spécificité (proportion de négatifs correctement classés), le taux de faux négatifs, le taux de faux positifs, la transparence et l'explicabilité d'une décision. L'utilisation de l'IA à n'importe quel moment de la voie causale de l'IRA peut permettre des interventions plus précoces susceptibles d'améliorer les résultats pour le patient. Comme le modèle apprend continuellement à partir de nouvelles données, l'objectif idéal serait une stratification et un pronostic des risques mis à jour dans le temps. Cela a été tenté en utilisant des alertes électroniques pour déclencher une consultation d'un néphrologue avec des résultats mitigés (Colpaet et al., 2012 ; Wilson et al., 2021). Cependant, étant donné le faible taux d'incidence (< 10%)="" of="" aki="" and="" the="" potential="" of="" a="" low="" positive="" predictive="" value,="" such="" alerts="" may="" result="" in="" stretching="" the="" capacity="" of="" nephrology="" services="" beyond="" what="" is="" reasonable,="" offsetting="" any="" potential="" benefit="" to="" patients="" (goldstein="" &="" bedoya,="" 2020).="" looking="" beyond="" the="" perioperative="" period,="" it="" is="" possible="" that="" ai="" can="" help="" guide="" appropriate="" outpatient="" follow-up="" and="" monitor="" for="" long-term="" renal="" recovery="" after="" aki.="" recent="" literature="" reports="" of="" patients="" who="" recover="" from="" an="" aki="" event="" suggest="" that="" these="" patients="" have="" an="" increased="" risk="" of="" developing="" chronic="" kidney="" disease="" (farooqi="" &="" dickhout,="" 2016;="" forni="" et="" al.,="" 2017).="" this="" raises="" the="" prospect="" that="" an="" ai-led="" system="" could="" be="" used="" to="" follow="" up="" on="" aki="">

Il est difficile de tester ou de valider de nouveaux modèles de prédiction dans différents systèmes de santé et juridictions. En raison des restrictions sur le transfert international de données et du règlement général sur la protection des données (RÈGLEMENT (UE), nd). par exemple, les études sont souvent limitées à une seule compétence législative. La recherche impliquant des dossiers de santé électroniques (DSE) multi-juridictionnels est entravée par des problèmes de coordination, de consentement éthique, de protocoles différents et de coûts. Traditionnellement, il y a eu une certaine réticence à créer et à maintenir des bases de données open source. Cela est particulièrement vrai dans les systèmes de santé dans lesquels les DSE ont été construits principalement pour coder les maladies et facturer les services. Il existe une réticence compréhensible à rendre ces données largement disponibles. Au cours de la dernière décennie, il y a eu une évolution vers des référentiels de données ouvertes anonymisés (Martin et al., 2014). Ceux-ci peuvent permettre aux données générées par les études cliniques d'être réanalysées, réinterprétées ou agrégées. La mesure dans laquelle les données granulaires peuvent être facilement évaluées est cruciale pour le développement de la recherche sur l'IA en médecine clinique. Globalement, les données ouvertes offrent certains avantages : premièrement, elles offrent une transparence qui permet l'audit et la responsabilité ; cela inclut l'identification des valeurs aberrantes de mauvaise performance qui peuvent nécessiter une intervention ciblée. Deuxièmement, ils fournissent une ressource inestimable qui peut stimuler l'innovation. La disponibilité des données ouvertes peut donner aux citoyens les moyens d'agir et aider les cliniciens, les prestataires de soins et les chercheurs à prendre de meilleures décisions, à susciter de nouveaux développements et à identifier les inefficacités, tout en garantissant la confidentialité des données personnelles. La communauté des soins intensifs a commencé à développer des ensembles de données en libre accès (largement structurés) qui offrent un riche potentiel pour l'IA appliquée aux questions cliniques (Johnson et al., 2016 ; Li et al., 2019 ; Faltys et al., 2020 ; AmsterdamUMCbd, nd ) ". Il est extrêmement important que les systèmes d'IA utilisés dans un cadre de soins de santé soient dignes de confiance. La Commission européenne a beaucoup travaillé sur la notion d'IA centrée sur l'humain, et son groupe d'experts de haut niveau sur l'IA a élaboré un ensemble de lignes directrices en matière d'éthique pour les personnes dignes de confiance. IA.

D'où ces référentiels de Big Data recevraient-ils leurs données, et à quoi ressembleraient les algorithmes d'apprentissage automatique ? La performance de tout algorithme dépend uniquement des données qui sont imputées. Pour une application réussie des techniques d'apprentissage automatique pour prédire les résultats cliniques, la capacité de capturer et de fusionner toutes les données acquises à des moments pertinents le long de la voie de la lésion rénale, comme décrit ci-dessus, serait nécessaire. Spécifique à l'IRA périopératoire, le système de gestion des données devrait saisir et fusionner des données propres provenant des cliniques d'évaluation préopératoire, des systèmes de gestion de l'information sur l'anesthésie peropératoire (AIMS), des unités de soins postopératoires, des unités de soins intensifs et des DSE hospitaliers jusqu'aux patients ambulatoires rénaux et y compris. unités de dialyse chronique. Actuellement, seuls les réseaux de soins de santé les plus avancés auraient la capacité de capturer des données aussi granulaires. La vaste étude de Tomasev et al. de 192 hôpitaux au sein du VA Health System, États-Unis. En utilisant les données de 703 782 patients, les enquêteurs ont divisé les données en ensembles de formation (80 % des observations), de validation (5 %), d'étalonnage (5 %) et de test (10 %). L'ensemble de formation a été utilisé pour former les modèles proposés. L'ensemble de validation a été utilisé pour améliorer itérativement les modèles en sélectionnant les meilleures architectures de modèles et hyperparamètres. Les modèles sélectionnés sur le jeu de validation ont été recalibrés sur le jeu de calibration afin d'améliorer encore la qualité des prédictions de risque. Les meilleurs modèles ont finalement été évalués sur un ensemble de test indépendant qui a été retenu pendant le développement du modèle. À l'aide de variations du réseau neuronal récurrent (RNN), le modèle prédit 55,8 % de tous les épisodes d'insuffisance rénale aiguë chez les patients hospitalisés et 90,2 % de toutes les lésions rénales aiguës nécessitant l'administration ultérieure de dialyse, avec un délai pouvant aller jusqu'à 48 h et un ratio de 2 fausses alertes pour chaque vraie alerte (Tomašev et al., 2019). En utilisant un concept similaire, il peut être possible de prédire ceux qui sont moins susceptibles d'avoir un résultat favorable (en vie à 90 jours) après le développement de l'IRA, de réorienter les objectifs de soins et de suspendre la dialyse en premier lieu. L'IA dans les soins de santé, utilisant un composite de données électroniques et de biomarqueurs de lésions rénales, peut également permettre le phénotypage électronique des patients atteints d'IRA. Ce serait analogue à un passeport biologique de lésion rénale. Par exemple, le regroupement des données peut identifier des sous-groupes de patients atteints d'IRA qui sont plus susceptibles de nécessiter une dialyse à long terme ou dont les avantages en termes de survie sont limités. Encore une fois, ces connaissances pourraient contribuer à des objectifs de soins plus éclairés.

Le rôle de l'IA pour l'aide à la décision clinique dans le traitement des patients atteints d'IRA

Il est possible d'imaginer qu'un outil d'IA/ML pourrait soutenir une décision clinique à n'importe quel « point de branchement » dans un algorithme de gestion standard. En général, plus l'algorithme appliqué est en aval, plus la quantité de données spécifiques au patient disponibles est grande, mais il existe moins de mesures efficaces pour influencer le résultat global. Ainsi, la sélection de la question de la cible de prédiction est importante. Une fois l'IRA identifiée (par exemple sur la base des critères KDIGO) (KDIGO, sd) en postopératoire, un modèle de prédiction pourrait cibler plusieurs cibles « actionnables » importantes : la mortalité hospitalière, le besoin de dialyse, l'IRC.

D'une manière générale, un clinicien considérerait comme une « bonne décision » une décision relative à un patient individuel qui aboutit à un plan d'action qui profite au patient. Cela présente quatre défis (ou contraintes) importants pour tout outil de prédiction envisagé pour l'aide à la décision :

1. L'entité prédite est-elle cliniquement significative (est-ce important pour le patient ?)

2. Les moyens actuellement disponibles pour parvenir à la décision sont-ils améliorés par le nouvel outil ?

3. Le résultat prédit est-il susceptible d'être modifié à l'aide de thérapies ou d'interventions existantes ?

4. La pertinence (valeurs des indices prédictifs) du prédicteur pour ce patient a-t-elle été quantifiée ?

Ces contraintes posent des limites importantes à la valeur de la prédiction des résultats basée sur l'IA/ML pour les patients qui souffrent d'IRA dans la période postopératoire. Les définitions d'IRA et de « résultat » actuellement utilisées ne sont pas uniformes. Des méthodes linéaires simples appliquées à des ensembles de données de taille modeste offrent déjà de bons indices prédictifs pour de nombreux patients du groupe d'intérêt (au moins ceux vers les extrêmes de risque) (Ohnuma & Uchino, 2017). Les interventions à faire ou à refuser en fonction du risque de mortalité (par exemple) sont également limitées (Gaudry et al., 2016 ; New Engl J Med, 2020).

Comment un outil basé sur l'IA qui estime la propension d'un événement clinique futur doit-il être intégré dans une décision clinique ? Le modèle de soins de santé actuel place la responsabilité de recommander un plan d'action fermement avec le clinicien (ou l'équipe clinique). Le clinicien assimile les informations provenant de diverses sources (par exemple, les valeurs de laboratoire, les images médicales, l'examen physique, la consultation avec le patient et les membres de la famille) pour offrir une « vue d'expert ». Ce modèle suppose que le médecin cherche à agir dans le meilleur intérêt du patient (pas nécessairement pour assurer une utilisation optimale des ressources disponibles), que le clinicien est un expert dont l'estimation de ce qui se passera réellement à la suite de différents traitements est bonne, en particulier, qu'elle est supérieure à l'estimation que ferait le patient « non expert » avec les mêmes informations disponibles et que le patient fait confiance au clinicien (Stewart, 1995). L'introduction du nouvel outil prédictif d'IA pose des questions sur ce modèle : l'outil se substitue-t-il à l'avis du clinicien pour une partie de l'activité décisionnelle ? le clinicien intègre-t-il la sortie de l'outil d'IA dans sa réflexion comme une autre information utile à assimiler ; l'outil d'IA rend-il à la fois le clinicien et le patient « non-expert » aux fins de sa sortie et place-t-il ainsi le patient à un rôle plus central ou actif dans la prise de décision ? Si la théorie du double processus décrit avec précision comment un clinicien arrive à une décision, alors il utilise l'intuition (première voie) et la pensée critique (deuxième voie) ensemble (Croskerry, 2017). La valeur prédictive de tout nouvel outil informera ce dernier ; il est possible que la pondération intuitive ou l'emphase (première voie) qu'un clinicien applique à la valeur soit sujette à un biais basé sur sa compréhension ou sa croyance dans le nouvel outil de prédiction.

Conclusion

Fournir des outils de pronostic précis en temps réel pour aider à l'aide à la décision clinique représente un domaine prometteur dans la recherche sur l'IRA. Au moment où une nouvelle AKI est diagnostiquée dans la période périopératoire, de nombreuses données sont disponibles qui pourraient être appliquées à la prédiction d'un résultat clinique d'intérêt. Une prédiction précise du résultat à ce stade pourrait éclairer les décisions cliniques individuelles et améliorer la compréhension de l'histoire naturelle de l'IRA. Il n'est pas difficile d'envisager une interaction utile entre les modèles qui prédisent un nouvel AKI et ceux qui prédisent les résultats après AKI. Les patients en bénéficieront si les défis considérables liés à l'accès aux données, à la réglementation, à l'éthique et aux facteurs humains peuvent être surmontés.